Uncovering the Mechanism of Hepatotoxiciy of PFAS Targeting L-FABP Using GCN and Computational Modeling

要約

パーフルオロアルキル物質およびポリフルオロアルキル物質 (PFAS) は、既知の毒性と生物濃縮の問題を伴う残留性環境汚染物質です。
工業的に広く使用され、劣化しにくいため、地球規模の環境汚染や重大な健康上の懸念が生じています。
少数の PFAS は広範囲に研究されていますが、多くの PFAS の毒性は、直接的な毒性データが限られているため、依然としてよく理解されていません。
この研究は、半教師ありグラフ畳み込みネットワーク (GCN) と分子記述子およびフィンガープリントを組み合わせることにより、PFAS 毒性の予測モデリングを前進させます。
分子フィンガープリントを分離してグラフを構築し、記述子をノードの特徴として設定することで、PFAS 結合親和性の予測を強化する新しいアプローチを提案します。
このアプローチは、特徴が豊富であるためオーバーフィッティングすることなく、PFAS の構造的、物理化学的、トポロジカルな特徴を具体的に捉えます。
次に、教師なしクラスタリングにより、詳細な結合研究のための代表的な化合物が特定されます。
私たちの結果は、PFAS の肝毒性をより正確に推定する能力を提供し、新しい PFAS の化学的発見と新しい安全規制の開発における指針を提供します。

要約(オリジナル)

Per- and polyfluoroalkyl substances (PFAS) are persistent environmental pollutants with known toxicity and bioaccumulation issues. Their widespread industrial use and resistance to degradation have led to global environmental contamination and significant health concerns. While a minority of PFAS have been extensively studied, the toxicity of many PFAS remains poorly understood due to limited direct toxicological data. This study advances the predictive modeling of PFAS toxicity by combining semi-supervised graph convolutional networks (GCNs) with molecular descriptors and fingerprints. We propose a novel approach to enhance the prediction of PFAS binding affinities by isolating molecular fingerprints to construct graphs where then descriptors are set as the node features. This approach specifically captures the structural, physicochemical, and topological features of PFAS without overfitting due to an abundance of features. Unsupervised clustering then identifies representative compounds for detailed binding studies. Our results provide a more accurate ability to estimate PFAS hepatotoxicity to provide guidance in chemical discovery of new PFAS and the development of new safety regulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google